Indonesi an  Journa l  of El ect ri cal  Engineer ing  an d  Comp ut er  Scie nce   Vo l.   12 ,  No.   3 ,  Decem ber   201 8 , p p.   968 ~ 973   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 2 .i 3 .pp 968 - 973          968       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Classific atio n  of  Prost ate Canc er  usin g Wavel et N eural  Network       Mohana d  Naj m A b dulw ah e d    Mate ri al s Dep artm ent ,   Univ ersity of  T ec hno log y ,   Baghda d,   Ira q       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   J un   17 , 2 01 8   Re vised  Ju l   27 ,  201 8   Accepte d  Aug   2 0 ,  201 8       Pros ta te   ca nc er  is  the  ce n tur y   d isea se  tha t   end a nger   th e  l ife  of   m en.   Th e   ea rl ie r  to  d ia gno se  the   dise ase ,   th e  proba bi li t y   of curing  thi s di se a se  is hi gher .   The ref or e,   n ew  appr oac h es  of  di agnosis  is  req uir ed  to  eff ectivel y  det e ct   th e  prostat e  ca nc er   i n  ea rl y   st age   co m par ed  to  the   tr adi ti on al   m et hod s.  The ref or e ,   W NN   is  a  new  adopt ed  appr oac h  in  prost ate  ca n ce r  d ia gn osis.  Morlet  func ti on  is  used  as  an  a ct iv at ion   func ti on  of   wav el e t  neur al   n et w ork  (W NN)   and  bac k  prop a gat ion  (BP)  is  a ppli ed  to  tra in  t he  W ave let  netw ork.   W NN  cl assifi es  prostate  ca n ce r  a cc ordi ng  to  thre e  f ac t ors:  pat ie n t  age,   PS A   le vel,   and  prostat e  v olume.   W NN   per form anc e  is   eva luated  bas ed  on  the  per ce n ta g e  of  c la ss ifi c at ion  and   the   comput at io nal   complex ity   of  seve ra l   ca ses.   The  resul t s  o f  the  sim ula t i on  show   tha t   W NN   has  lower   m ea n  squar ed  err or  (MS E) than the Neur a l  Ne t work (NN).   Ke yw or d s :   Ar ti fici al  n e ur a l netw ork   Pr ost at e cance r   Wav el et   ne ur al  n et w ork   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re s erv ed .   Corres pond in g  Aut h or :   Moh a na d Najm  A bd ul wah e d ,    Ma te rial s D epa rtm ent,    Un i ver sit y o f Te ch no l og y,   Ba ghda d,   Ir a q .   Em a il :  m oh anad . naj m @yahoo .co m       1.   INTROD U CTION     To day,  prostat e  cancer  ha s  be com e  on e  of   the  m os t  dan ge rous  disease s  that  can  af fect  the  healt h  of  m en,   a nd  the   de te ct ion   of  the  disease  i n  ea rly   sta ges  ca n  he lp  to   get   rid   of  the   disea se  e asi ly .  The  t rad i ti on al   m et ho ds   f or  di agnosis  the  prostat e  cancer  de pende d  on  in div id ual  bi om a rk e rs  an d  te ste d  the  ti ssu e  an d  cel l  sp eci m ens.  The ge netic  and   a ge  are  the c oeffici ents that  he lp to diag nosis  the prost at e cancer , and  t hey  are the   first  data  m us t  be  avail able  to  determ ine   the  disease.  Pr ost at e - S pecif ic   An ti gen   (PSA)  is  the  pr otei n  bio m ark er  that   us ually   us e d  to  detect   the  pa ti ent  of   pro sta te   cance r  [ 1] .  T he  ra ng e  of   t he   PSA   is  rec ord ed  lo w   (less  than  t wo   ng /m L)  in  the  blood   of   t he  he al thy  m en,   an d  it   is  raised  f or   the  prostat e   cancer  patie nts  m or e   th an  t wo   [ 2] .  Althou gh  the  P SA   is  a n  im po r ta nt  ind ic at or  t hat  can   detect   t he  prostat e  can cer  disease ,  the   oth e r   m ul ti ple f act ors sho uld   be  ta ke n  int o  acc ount  to  the   dia gnos i s of the  il lness  su c h  as a ge  a nd  gen et ic   [3] .   Ther e  a re  seve ral  stud ie s  ha ve   discuss e d  the   diagnosis  of  the  prostat e  can cer  in  early   stag es  ap p ly ing  m or e  recent  and   e ff ect ive  m et hods .  Kall en   et   al .  [4]   us e d  an  e xam ple  of   C onvoluti onal   Ne ur al   Ne twork   (CN N)   a nd  he   ap p li ed  bo t h  Suppor t  Vecto r  Ma chi ne  ( S VM)  a nd  a  pre - trai ne d  CN N   for  cl assifi cat ion   a nd  featur e   e xtracti on  res pecti vel y.  I n  a uto m at e d  cl assifi cat io n  of  Glaso n  gr a ding,  G or el ik   et   al .  [ 5]   segm ented   the  m ic ro scop i c  i m ages  into   a  m eaning f ul  pa tho lo gical ly   segm ents  su ch   as,  L um en,   sto rm a  and   lym ph ocyt e   et c.  D oyle   et   al .  [ 6]   propo sed  a   Ba yse ia n  m ulti - reso lu ti on   m et ho d  f or  cl assifi cat ion  usi ng  Ad a Boo s t .     In  To rste n  et   al .  [ 7]   us e d  a  cl assifi cat ion   by  le ar ning  ve ct or   quantiz at ion  in   w hich   the  Neural  Net works   trai n in g  we re   adap te d  int o  di ff e ren t  s a m ple  siz es  per   cl ass .  A no t her   recent   researc h  art ic le   by    Lit j ens  et  al.  [8]   us in g  C NN   f or h em at ox yl in classi ficat ion   and eo sin im ages of prosta ti c ti ssu e.   Wav el et   netw orks  we re  fir stl y  introd uced   by  Zha ng   a nd  Be nveniste   [9]   as  a n  al te rn at iv e  a ppr oach   t o  FeedFo rw a rd   Neural  Net wor ks   ( FF NN)  tha t  fix  the  dr a w ba cks  of   NNs  a nd   Wa velet   A naly sis( WA )  wh il e  it   has  the b est  p e rfor m ance u sin g  both of   these  ap proac hes  [ 10] .   Chen , F en g  [10]   us e d Wa velet  N eu ral N et work  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of Pr os tate C ancer  us in g Wa vel et  Neura l N et work  ( Mo hanad N aj m  A bdul wah e d )   969   ( WN N )  in  sys tem   m od el li ng   and   tim e  series  pr e dicti on   base d  on  m ult iresolutio n  le a rn i ng.  Their  r esults   ind ic at ed  that  WNN  ha s  a  powe rful  ap pro xim a ti on   ca pa bili ty   and   su it abili ty   in  pr ed ic ti on   an d  m o deling.   Ther e f or e,   WNN is a  sig nifica nt to ol in  cl as sific at ion  a nd si gn al s  pro ce ssin g  [11] - [ 12] .   In   t his  arti cl e,  a  new   a ppr oac h  f or   cl assi ficat ion   of  prostat e  cancer ’s  ris k  is  propose d  usi ng   WNN .   The  sim ulati o n  of  WNN  m e thod  is  pe rform ed  to  get  hi gh  cl assifi ed  re su lt s.  The  ne w   appro a ch  sim ulati on  resu lt   is  com pa red   with  the  tra diti on al   cl assif ic at ion   appr oa ches  su c h  as  N eur al   Net works  (NN) . This  art ic le   is   orga nized  as  th e  fo ll ows.  Part   2  introduc es  the  data  colle ct ion.  Part  3  pres ents  W N N  wit h  a  descr i ption  of   it s  app li ed   le ar nin g  al gorithm .  In  Part  4  t he   si m ulati on   resu lt s  of   both  NN   a nd  W NN   is   su m m arized.     Finall y, Part  5 pro vid es t he  c oncl us i on of thi s p a per.       2.   DA T A COLL ECTION   Find i ng   a nd  co ll ect ing   the  dat a  is  ver y  im po rtant  f or   trai nin g  a nd  te sti ng   the  WN N  a nd  NN.   I n  this   work,  the  data   will   be  div id ed  into  th ree  s ect ion s,  Ag e ,  PSA   a nd   the  Pr ost at e  vo lu m e.  Fo r  hum a n’ s  a ge ,     the  risk  of  pr os ta te   cancer  i s  hig hly  ex pe ct ed  sta rting   f ro m   the  age  of   50   a nd  ab ove.  PSA   is  a  protei n  pro du ce d  by  th e  m align ant  an d  the  norm al   c el ls  of   the  pros ta te   gland   [13] .  The  ra ng e  of  PSA   m easur e m ents   ranges  f ro m   2  to  4  ( ng /m l)  in  the  blood   f or  the  healt hy  m e n.   H oweve r,   th e  in dicat ion   of   PSA   var ie s  wit h  age   as  it   sh ow s  a  ver y  hi gh   pro bab il it y  of   ca ncer   with  PS A  value  m or e   than  4  ng /m l   and   a n  age  over  50.  Howe ver,  feat ur es   of  P SA   diag nosin g  the   disease  decr e ases  with  pati ents  of  P r os ta te   cancer  with   la rge   vo l um e  of   P r ost at e  beca use   t he  c o - occ urrin g  decr ea ses  th e  eff e ct   of  t he  cancer   on  PS A   [ 14 ] .   The   vol um e  of   the  prostat e  in dicat e  an  ap parent  sy m pto m   wh e n  it   has  e nlarg e d  af fecti ng   the  ur et hr a .  T hat  patie nts  dat a  hav e   been p r ov i ded  by Bag hdad  Medica l C it y ho s pital  in  A pri l 2 017.       3.   WA VELE T N EUR AL  NETWOR KS  (W N Ns)   Wav el et   A nal ysi s  is  the  resu lt   of   both  F ourier  T ra n sf orm   (F T)  an d  W i ndow  F ouri er  Tra ns f or m   ( WFT)   to  im pro ve  the  sho rtcom ing s  of   FT.  F ourier  tr ansfo rm   is  a  com m on   m et h od   in  dig it al   sign a l   processi ng.  H oweve r,   wh e n  it   was  re ported  i n  the  tim e  seri es  pr e dicti on,  it   sh owed  the  ti m e  lim i ta ti on s.   WA   is  an  analy t ic al   and   m at he m a ti cal   too l  fo r  a   wide  ra ng e  of  researc h  ap plica ti on s.  Wav el et   An al ysi s  (W A )  is   us e d  pr ese ntly   for  ti m e  po sit ion,  a naly sis  of   tim e  series  an d  inte ns it y  [ 15]   The  wav el et   i s  a  s pecial   wa ve form   with  a  finite   durati on  at   the  a ver a ge  zer o  po int.  The  WA   de plo ys  a  uniq ue   functi on   i ntr oduce d  as  the  m oth er   wa velet .  This  wav el et   un i que  functi on  is  t he  re su lt   of   a   s eries  of  basic  or t hogonal  set s  com po se d  of  a  fathe r   wav el et  a nd a  m oth er w a velet  w hic h  sat isfie s :     ∫ ( )    = 1                   (1)     ∫ ( )  = 0                     (2)     The  wav el et   fa m ily  has  w hat  is  cal le d  a s  the   childre n  of   w avelet ,  w hich  i s  a  translat ed   and   dilat ed   form  o f wavele t  m oth er:                     (3)       4.   WA VELE T N EUR AL  NETWOR K  CON FIGUR ATIO N  ( WN N C)   The WN N  con fig ur at io n  i s  presented  and  dis play ed  in   Fig ur e   1 .  T he  sig nifi cant str uctu re  of  WN N  is  introd uced as   t he follo wing  [ 16 ] :   1 .  WNN   Para m et ers  init ia lizat ion   T he  m at rix  that  e xis ts  betwee n  t he   input  a nd  the  hidden   la ye r  is     = (    ) ×     The  m at rix  tha t exist s b et wee n  the  h i dd e n an d  the  outp ut la ye r:   = (  ) ×   Hidden  lay er  ne uro n’ s  D il at io n vecto r:  = ( 1   , 1   , …   )   Hidden  lay er  ne uro n’ s  Tr a ns l at ion   vecto r:      Wh e re  m ,  p,   n,   sta nd s   f or   the  in pu t  la ye r,   hidden   la ye r  an d  t he  in put  la ye r  of    WNN  resp e ct ively .     The param et ers  init ia li zat ion  is do ne  ar bitrar il y.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   968   –   973   970       Figure  1.  W a ve le t Neural  N et work c onfig ur a ti on       2 .  Ge ner at e t he  outp ut of t he n et work b y c ompu ti ng t he fo r ward  pass by a pp ly in g  the  fol lowing  E quat io n:     , ( ∑    = 1 )   = 1 √   (  ( 1 ) − )             (4)     W he re :      ( 1 ) = ∑    = 1                 (5)     The  it h n ode  outp ut at the  out pu t l ay er  is e xpresse d  as:                   (6)     wh e re  X  is  th e  W N N  i nput  vecto r  an d  it   is  ex pr esse d  as   = ( 1 , 2 , … , ) .  w he n  X  is  a chieve d,   t he  jt h  ou t pu t  node  of  the h i dd e n  la ye r  ca n be fo und ou t.   3 .   C om pu te  the  outp ut total  er ror by ap plyi ng the  foll owin g eq uation:                 (7)     Wh e re    sta nd s  f or   the  t otal  error,     sta nd s  f or   t rainin g  sam ples  nu m ber   f or  e ach  sam ple  q,     sta nd s  for  the  desire  vecto r.   The  desire    ve ct or   is  ex press ed  as   = ( 1   , 2   , … ,  ) ,  an d     stan ds   f or   th e  out pu t  vecto r  and  it   is  e xpr essed  by = ( 1 , 2 , … ,  ) .      T o  be  a ble  to   a chieve   the  outpu t  m in i m u m   total   error  is  consi der e d  a  si gn i ficant a dv a ntage o f WN N  .   4 .   Fin d  eac h pa ram et er p arti al  d eri vatives as   expresse d by       ,       ,       and             (8)         (9)       (10)   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of Pr os tate C ancer  us in g Wa vel et  Neura l N et work  ( Mo hanad N aj m  A bdul wah e d )   971       (11)     wh e re         5 .   De fi ne  t he  l earn i ng r at e a nd m o m entum  v al ues  as α=   0.9 9  a nd η =  0.2 t o upd at e  WNN  p a ram et ers  as  sh ow n  in   E qu a ti on s  (12 - 15)   [ 15, 16]             (12)             (13)             (14)             (15)       5.   RESU LT S  AND DI SCUS S ION   This  pa rt  disc us ses  WNN  in  dia gnos is  of   prostat e  canc er.  T hr ee  different  it e m s  wer e  us e d  to   m easur e  prosta te   cancer   ris k,  patie nt  a ge,   PS A,   a nd  prostat e   volu m e.  In  thi s  arti cl e,  WNN   is  ap plied   as  a   ne w  m et ho d:  it   con sist s  of   a n  input  la ye r  (m ),   hi dd e n  la ye r  (p)  an d  a n  ou t pu t  la ye r  ( n).  The  in put  la ye r ,     ou t pu t  la ye r   a nd  the   hidden   la ye r  co ns ist s  of  three  node s,  on e  node   a nd  se ve n  nodes   res pe ct ively   as  sho wn  in   the foll owin g  e qu at io n [ 16 ] .     ℎ    ≥ (2 *   )  +  1                 (16)     Wh e re   ℎ    a nd         de no t es  the   ne uro ns  num ber   i n  t he  hidde n  a nd   the   in pu t   la ye r  res pecti vely .    Morlet   f un ct io n  is  de plo ye d  in  the  hidde n  la ye r  as  an  act iv at ion   f unct ion,   and     s igm oid   functi on  is  de pl oye d  in  ou t pu t  la ye r  [11] .  Eq uation  17   belo w  ind ic at es  the  Morlet   functi on,  as  dis play ed  in  Fig ure   2.   Table  1  pr ese nts t he  ini dicat ion   of th  a pp li ed  p a pram et ers  in t his  work.                   (17)     Wh e re,   t i s the   su m m a ti on  out pu t  f un ct io n  i n hid den lay er.           Figure  2.  W a ve le t M or el t F unct ion  [ 11]   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   968   –   973   972   Table  1 .   Param et ers  I ndic at ion   No .   Para m eter ’s Na m e   W NN     NN   1   Nu m b e r  o f  neu ron s  I n p u t lay e r   3   3   2     Nu m b er   o f  neu rons Hidd en  lay e r   7   7   3   Nu m b e r  o f  neu ron d  Outp u t lay er   1   1   4   Actv atio n  f u n ctio n  in h id d en  lay er   Morlet   sig m o id   5   Actv atio n  f u n ctio n  in o u tp u t lay er   sig m o id   tan sig   6   Lear n in g  r ate  valu e ( η )   0 .2   0 .5   7   Mo m en tu m  valu e  ( α)   0 .99   0 .99   8   iteration  nu m b er   2 0 0  epo ch   2 0 0  epo ch   9   Tr ain in g   m eth o d   b ackp rop o g atio n       Each  net wor k  fo rm s  200  e po c hs   based   on  the  data  el e m ent  network  of   Ba ck pro pogatio n' s  BP   al gorithm .  On ce  the  trai ning   is  ov er , WNN   is  directl y  app li ed  f or   t he  cl assifi cat ion   of   prostat e  canc er  risk .  WNN  pe rfor m ance ca n be est i m at ed  dep e nding o n  t he follo wing in dicat or s.     5 . 1.       Conv er ge nce of Per f or man ces   Figures  3  an d  4  sho w  the  M SE  of  WN N  a nd   N N,   res pec ti vely .  Figure  3   in dicat e s  that  WNN  has  a   lowe r  MSE   th an   NN.  It  is  obvi ously   dem on strat ed   that  W N N  has   a  lo wer  MSE  valu e  tha n  neural  netw ork ,   wh ic h  ind ic at e s  the  high  perf or m ance  of   the   cl assifi cat ion ,  wh ic h  m eans  a   hig h  perform a nce  in  the  dia gnos i s   of pro sta te  ca nc er. As a  r es ult,  WNN  has  a  hi gh e r  c onverge nce  rate  c om par ed  to N N.               Figure  3 .   MSE  for   WNN     Figure  4. MSE  for   N N       5 . 2 .       Clas si ficat i on  E xp eri m ent al R es ults   Table  2  s hows   that  the   cl assifi cat ion   res ults  of  WNN  outp erfor m   the  cl as sific at ion   res ults  obta ine d  by  NN   base d  on   se ver al   cas es  of   P ro sta te   cancer  patie nts .  Furtherm or e,   the  resu lt s  of   the  cases  with  ages   above  50 a nd P SA   over  4 n g/ m l i nd ic at e a hi gh e r  cl assifi ca ti on   resu lt s  of  WNN c om par e d  to  NN.       Table  2 .   Cl assi ficat ion   of  WNN a nd NN   Cas e   Ou tp u t   NN.%   Ou tp u t    W NN .  %   Vo lu m e    (c m )     (PSA )   Ag e   Na m e   n o r m al   6 .6   3 .6   8*6   1 .06   60   Ca se 1   n o r m al   4 5 .61   3 0 .61   10*7   0 .39   84   Cas e 2   Ab n o r m al   9 0 .69   9 3 .69       (7 - 15)   *   (10 - 13   9 5 .11   72   Cas e 3   Ab n o r m al   8 2 .6   9 2 .6   1 6 1 .9   60   Cas e 4   Ab n o r m al   9 3 .99   9 9 .99   1 1 .3   70   Cas e 5   Ab n o r m al   9 2 .69   9 9 .69   5 4 .9   85   Cas e 6   Ab n o r m al   2 4 .6   2 4 .6   7 .48   50     Cas e 7   Ab n o r m al   9 9 .99   9 9 .99   1 6 .2   75   Cas e 8   Ab n o r m al   9 6 .88   9 9 .88   1 4 .11   67   Cas e 9   Ab n o r m al   9 2 .99   9 9 .99   6 .9   67   Cas e 10   Ab n o r m al   9 0 .6   9 2 .6   100   76   Cas e 11   Ab n o r m al   9 0 .9   9 9 .9   8 .28   61   Cas e 12   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of Pr os tate C ancer  us in g Wa vel et  Neura l N et work  ( Mo hanad N aj m  A bdul wah e d )   973   5 . 3 .      Co m pu t at i onal com plexit y   Com pu ta ti on al   com plexity   is  consi der e d  a s  a   sign i ficant  fac tor  for  e valuati ng  the  pe rfor m ance  of  the  netw ork.  Ta ble  3   il lustrate s,   the  C PU  tim e  util iz at ion   i n  the  sam e  pr oc esso r  durin g  the  trai ni ng  for  ea c h  appr oach.  T he   instal le d  m e m or y  (RAM)  has  3G B  us in g  I ntel  Core   i3  M  CPU   37 0  2.40  G Hz  proce ss or.    The  ti m e  uti li z at ion   res ults  of   the  CPU  i nd ic at e  the  sp ee d  e ff ic ie ncy  of  W NN   t han   N N.   Fu rt her m or e,  it   has  been f ound t ha t  W N N has  f e wer o per at io ns t han NN m et ho d. T her e f or e,   WNN is  not as  co m plex  as  N N.       Table  3 . CP U uti li zat ion  tim e   Tr ain in g  App ro ach   W NN   NN     CPU ti m e(se c)   1 0 .19 0   1 8 .22       6.   CONCLUS I ON   In   t his  arti cl e,  WNN  is  us ed   f or   t he  dia gnos i s  of   prostat e  ca ncer.  T he  Mo rlet   functi on   is  de plo ye d  in   the  hidde n  la ye r  as  an  act ivat ion   f unct io n  w hile  BP  m et hod  is  ap plied  f or  trai ning  the  ne twork .  The  res ults  of  the  sim ulatio n  sh ow  that  WNN  pe rfor m ance   works  m uch   be tt er  than  neur al   networ ks   in  the  cl assifi cat ion   of   prostat e  cance r .  The   res ults  s how  t hat  WNN  co nver ges  f ast er  tha n  N N,  an d  the  c onve rg e nce  rate  of  MSE  is  slow e r  at   1.6 05e - 10.  I n  a ddit ion ,  WN N   intr oduces  bette r  c la ssific at ion   va lues  an d  e xhibi ts  le ss  com pu ta ti on al   com plexity   than  N N.   H ow e ve r,   c om par ed  t o  N N,   t he  W NN   nee ds   m ore  tim e  to  achieve  the  best  va lue  of   MSE beca us e  it  h as a  lo wer  le arn i ng r at e t o o btain  higher  conv e r gen ce  r at e.       REFERE NCE S    [1]   W olf,   A.,   e t  al.,   Am eri ca n  Cance r  Socie t y   guid el i ne  for  the   ea rl y   det e ct ion  of  pro stat e  c ancer:   up dat e  2010 .   CA:  a   ca nc er journa l   fo r  clinicians,   201 0.   60(2):   p.   70 - 9 8.   [2]   Van  Cangh,   P.J. ,   et   al.,   Free   to  tot al  pros tat e - sp ec i fi c  an ti gen  ( PSA )   ratio  improve s  the   d iscriminat ion  be twee n   pros tat e  can ce r  and  beni gn   pros tat ic  hyp erplasia   ( BP H)   in  the   d i agnostic   gray   zone  of   1. 8   to  10   n g/mL  tot al  PSA .  Urolog y ,   1996 .   48(6):  p.   67 - 70 .   [3]   Brawe r,  M . K.,  Pros ta te ‐spec ifi c   antigen:  Curre n t  stat us .   CA:  a  c anc er   journ al   fo r  clinicians,   199 9.   49(5):   p.   264 - 281.   [4]   Käll én ,   H.,   et   a l.  Towa rds  gra ding  gle ason  score   using  gene rically   traine d  de ep  c onvolut ional  ne ura l  net works .   i n  Bi omedi cal   Ima ging  ( ISBI ),   201 6  IEEE  13 th  Int e rna ti on al   S y m po sium   on.   2016.   I EE E .   [5]   Gorel ic k ,   L.,  et  al . ,   Pros ta te   hi stopat holog y :  L ea rning  t issue  c om ponent   histogra m s  for  ca nce r  det e ction  an d  cl assifi ca t ion .   IE EE   transacti ons  on  medic a l imaging,   2013 .   32(10 ):  p.   1804 - 1818.   [6]   Do y le,  S. ,   e t  a l . ,   A  boosted  Ba yesia n  m ult ir esol uti on  c la ss ifi er   f or  prostat e   ca n c er  detec ti on  fro m   digi ti z ed  ne ed le   biopsie s.   I EEE  t rans act ions o n  b iomedi ca l  eng in ee ring,   2012.   59 (5):  p.   1205 - 121 8.   [7]   Matt fe ldt ,   T . ,   et   al . ,   Cl assificat io n  of  prostatic   ca r ci nom a  with   arti fi cial  n eur al  ne t works   using  compara ti ve   geno m ic  h y brid izati on   an d  quantitative st ere olog ic a l  d at a .   Pat ho logy - R ese arch  and  Pra ct i c e ,   2003 .   199 (12) :  p.   773 - 784.   [8]   Li tjens,  G.,   e t  al.,   Dee p  l earning  as  a   tool   for  inc reased  acc urac y  and  ef ficie n cy  of  histopat holo gic al  diagnosis .  Scie nti f ic re por t s,  2016.   6:  p .   26 286.   [9]   Zha ng,   Q. and  A .   Benv eni st e, Wave l et   n et works .   IEE E   transacti o ns on  Neural  N etwor ks,   1992.   3(6 ):  p.   889 - 898.   [10]   Chen,   Z.,  T.   Fe ng,   and  Q.  Meng.   The  appli cati on  of  wave le t  n e ural  net work  in  ti me  series  pr edi ct ion  and  syste m   modeli ng  based  on  multi resolution  le arning.   in  S y stems ,   Man,   a nd  C y ber n etics,   1999.   IEEE  SM C' 99  Confer ence   Proce edi ngs.   19 99  IEEE  In te rna t iona l   Confer e nc e  on.   1999.   IE E E.   [11]   Ghawbar,   F.M.,  et   al.,   PA T  an d  Px   Code  Sid e lobe   R educ t ion  Us ing  W ave let  Neural  Net work ,   in  Advanc es  i n   Mac hine L ea rni ng  and  Sign al Proce ss ing.   2016 ,   Springer.   p .   117 - 128.   [12]   Ahm ed,   M.S.,   N . S.M.  Shah,   and  S.I.   Anka,   Sidelobe  red uction  using wa vel et   neu r al   net work for  bina r y   cod ed  pulse   compress ion.   20 16.   [13]   Thomps on,   I. M.,  et   al.,   Preva le n c e  of  prostat e  c an ce r  among  m en  with  a  prostate - spec if ic   an ti gen  l eve l≤  4. 0  ng  per   m il li liter .   New   E ngland  Journal   of  Me d ic in e ,   200 4.   350(22):   p.   22 39 - 2246.   [14]   Hu,  X.,   et   a l.,  Artifi c ial  neur a l  ne tworks  and  prostat e  c ancer — tools   for  dia gnosis  and   m ana gement.   Nature  Re views  Ur ology ,   2013 .   10(3):  p.   174.   [15]   Alexa ndrid is,  A. K.  and  A.D.  Za p ran is,  W avele t   n eur al   n et works :  with  application s  in  fina nc ial  en gine er ing,   cha os ,   and  c la ss ifi c atio n.   2014:   John W il e y   &  Sons .   [16]   Zha o,   J. ,   W .   Chen,   and  J.  Luo .   Fe ed forw ard  wa ve l et   neural  networ k  and  multi - variabl e  functio nal  approximation.   in  Int ern ationa l Confere nc e  on   C om puta ti ona l  an d  Inform at ion   Sc ie nc e. 2004. Spri nger .     Evaluation Warning : The document was created with Spire.PDF for Python.